硅谷投资人张璐：未来推理将吃掉70%算力，数据中心通信耗电比计算高百倍

算力需求重心从训练转向推理

张璐认为，AI算力消耗正在发生结构性转变：训练是一次性投入，推理才是可持续需求。当前推理算力约占50%，未来将升至70%，训练降至30%。随着智能体交互取代对话交互，推理算力的持续在线需求将进一步推高这一比重。优化推理算力成为AI基础设施的核心挑战。

数据中心“电老虎”是通信而非计算

在AI数据中心内，通信环节的耗电量可能比计算本身高出数十倍甚至上百倍。张璐援引Alphabet董事会主席John Hennessy的观点指出，移动数据消耗的能量远超本地计算。因此，光学通信等新一代低功耗通信技术成为关键创新方向。

物理AI卡在数据层，边缘计算与新型传感器成突破口

物理AI（如人形机器人、无人驾驶）的架构和算力已基本成熟，最大瓶颈在于缺乏足够高质量的真实世界三维数据。合成数据存在盲点，无法替代边缘场景的实测数据。张璐强调，需要新型数据收集平台（如斯坦福鲍哲南实验室开发的柔性电路“人工皮肤”传感器）以及边缘端小模型部署（如不足10亿token的模型即可在树莓派上运行）来弥补数据缺口。

重点应用方向：医疗、太空与微纳米机器人

• 医疗AI：礼来与英伟达达成10亿美元合作，谷歌、Claude等纷纷推出医疗专属产品。高质量数据最密集的医疗行业成为AI落地焦点，垂直领域小模型（如针对细胞疗法、帕金森病的模型）和物理AI系统（如斯坦福背景的Medra公司全无人AI机器人实验室）正在切入个性化诊疗。
• 太空+物理AI：未来3-5年太空基础设施、太空工厂将快速崛起，物理AI和机器人是天然原生应用（如太空加油站已获上亿美元订单）。
• 微米/纳米机器人：小到可进入血管清除血栓或进行靶向药物递送的技术已进入商业化初始阶段，未来几年前景可期。

产业整合速度成为AI落地竞争力

500强企业的AI预算从千万级跃升至数十亿美元，采购周期从半年缩短至一两个月。张璐认为，这种产业快速整合才是AI技术持续迭代的核心燃料——只有快速获得真实场景反馈和高质量产业数据，才能推动模型和应用进步。